| dc.contributor.advisor | Λιαγκούρας, Κωνσταντίνος | |
| dc.contributor.author | Κασίμης, Παναγιώτης | |
| dc.date.accessioned | 2026-05-11T06:10:39Z | |
| dc.date.available | 2026-05-11T06:10:39Z | |
| dc.date.issued | 2026-04 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19283 | |
| dc.description.abstract | Η μετάβαση στην εποχή ψηφιακού μετασχηματισμού και στους συνεχείς ελέγχους
συναλλαγών απαιτεί πρωτοφανή ακρίβεια και ταχύτητα στις χρηματοοικονομικές διαδικασίες. Τα
παραδοσιακά συστήματα Διαχείρισης Επιχειρησιακών Πόρων (ERP) και οι μέθοδοι Οπτικής
Αναγνώρισης Χαρακτήρων (OCR) που βασίζονται σε στατικούς κανόνες, αδυνατούν να
επεξεργαστούν οπτικά πλούσια, ημι-δομημένα έγγραφα, οδηγώντας σε δαπανηρή χειροκίνητη
καταχώρηση και αυξημένα ανθρώπινα σφάλματα. Η παρούσα μελέτη διερευνά την
ενσωμάτωση της Τεχνητής Νοημοσύνης (AI) και της Ρομποτικής Αυτοματοποίησης Διαδικασιών
(RPA) στον λογιστικό κύκλο, προτείνοντας ένα ολοκληρωμένο πλαίσιο αυτοματοποιημένης
τήρησης βιβλίων και ελέγχου. Ειδικότερα, στοχεύει στην αξιολόγηση της τεχνολογικής
μετάβασης από τις μονολιθικές αρχιτεκτονικές σε ευφυή οικοσυστήματα μικροϋπηρεσιών, ικανά
να αλληλεπιδρούν απρόσκοπτα με κρατικές φορολογικές πλατφόρμες.
Πραγματοποιήθηκε μια Συστηματική Βιβλιογραφική Ανασκόπηση (SLR), αναλύοντας
δημοσιεύσεις υψηλής απήχησης με σύστημα κριτών της τελευταίας πενταετίας (2019–2026)
από κορυφαίες βάσεις δεδομένων όπως οι Scopus, IEEE Xplore και ScienceDirect. Η έρευνα
αξιολόγησε προηγμένες αλγοριθμικές προσεγγίσεις, συμπεριλαμβανομένων των Συνελικτικών
Νευρωνικών Δικτύων (CNNs), των Μεγάλων Γλωσσικών Μοντέλων (LLMs) και τεχνικών
Μάθησης Συνόλου (Ensemble Learning), εξετάζοντας την αποτελεσματικότητά τους στην
ανάλυση εγγράφων, την ταξινόμηση Γενικού Καθολικού και τον εντοπισμό ανωμαλιών.
Τα ευρήματα έδειξαν ότι οι πολυτροπικοί μετασχηματιστές και τα Δίκτυα Γραφημάτων
ξεπέρασαν αισθητά τα παραδοσιακά συστήματα OCR, κατανοώντας τόσο τη σημασιολογική
όσο και τη χωρική δομή των παραστατικών, επιδεικνύοντας εξαιρετικές ικανότητες γενίκευσης.
Επιπλέον, ο συνδυασμός Γνωστικού RPA με AI μέσω διεπαφών API στο νέφος διευκόλυνε την
εξαιρετικά ακριβή, ευθεία επεξεργασία (straight-through processing), διατηρώντας παράλληλα
μια δικλείδα ασφαλείας «Ανθρώπου-στον-Βρόχο» (Human-in-the-Loop) για την επίλυση
εξαιρέσεων. Η μελέτη αποκάλυψε επίσης ότι τα μοντέλα μη επιβλεπόμενης μάθησης και η
εξόρυξη διαδικασιών καθιστούν εφικτό τον συνεχή έλεγχο και την ανίχνευση απάτης σε
πραγματικό χρόνο. Ωστόσο, αυτή η υπερβολική αυτοματοποίηση εισάγει νέους συστημικούς
κινδύνους, όπως η αλγοριθμική μεροληψία, οι ευπάθειες ιδιωτικότητας δεδομένων και η
αδιαφάνεια του «μαύρου κουτιού» στη λήψη αποφάσεων.
Τα ευρήματα αυτά υποδεικνύουν ότι, για την ασφαλή αξιοποίηση των ευφυών λογιστικών
συστημάτων, οι οργανισμοί οφείλουν να εφαρμόσουν ισχυρά πλαίσια Διακυβέρνησης, Κινδύνου
και Συμμόρφωσης Πληροφοριακών Συστημάτων (IT GRC). Η υιοθέτηση της Επεξηγήσιμης
Τεχνητής Νοημοσύνης (XAI) και τεχνικών προστασίας της ιδιωτικότητας, όπως το Federated
Learning, είναι ζωτικής σημασίας για την κανονιστική συμμόρφωση (π.χ. EU AI Act, GDPR) και
την ελεγκτική αξιοπιστία. Εν τέλει, η ενσωμάτωση AI και RPA μετασχηματίζει το λογιστικό
επάγγελμα, μετατοπίζοντας τον ανθρώπινο ρόλο από τη χειροκίνητη καταχώρηση δεδομένων
στη στρατηγική εποπτεία των αλγορίθμων. Αυτή η τεχνολογική σύγκλιση ανοίγει τον δρόμο για
πλήρως αυτόνομα οικονομικά συστήματα, Agentic AI και τριπλογραφική λογιστική βασισμένη
στο blockchain, διασφαλίζοντας μέγιστη διαφάνεια και επιχειρησιακή ανθεκτικότητα | el |
| dc.format.extent | 97 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Χρήση ευφυών τεχνικών για την αυτοματοποιημένη τήρηση βιβλίων | el |
| dc.title.alternative | Use of intelligent techniques for automated bookkeeping | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | The transition to Finance 4.0 and continuous transaction controls demands unprecedented
accuracy and speed in financial processes. Traditional Enterprise Resource Planning (ERP)
systems and rule-based Optical Character Recognition (OCR) methods struggle to process
visually rich, semi-structured documents, resulting in costly manual data entry and increased
human error. This study investigates the integration of Artificial Intelligence (AI) and Robotic
Process Automation (RPA) within the accounting cycle to propose an end-to-end automated
bookkeeping and auditing framework. Specifically, it aims to evaluate the technological shift
from monolithic architectures to intelligent, microservices-based ecosystems that can
seamlessly interact with state tax platforms.
A Systematic Literature Review (SLR) was conducted, analyzing high-impact, peer-reviewed
publications from the last five years (2019–2026) across major databases such as Scopus,
IEEE Xplore, and ScienceDirect. The research evaluated advanced algorithmic approaches,
including Convolutional Neural Networks (CNNs), Large Language Models (LLMs), and
Ensemble Learning techniques, assessing their efficacy in document parsing, General Ledger
(GL) classification, and anomaly detection.
The findings indicated that multimodal transformers and Graph Neural Networks drastically
outperformed traditional OCR systems by understanding both the semantic and spatial
structures of financial documents, demonstrating exceptional zero-shot generalization
capabilities. Furthermore, combining Cognitive RPA with AI via cloud-based APIs facilitated
highly accurate, straight-through processing while maintaining a “Human-in-the-Loop” safeguard
for resolving complex exceptions. The study also revealed that unsupervised learning models
and process mining effectively enabled continuous auditing and real-time fraud detection.
However, this hyper-automation introduces new systemic risks, including algorithmic bias, data
privacy vulnerabilities, and the opacity of “black-box” decision-making.
These findings suggest that to safely leverage intelligent accounting systems, organizations
must implement robust IT Governance, Risk, and Compliance (GRC) frameworks. The adoption
of Explainable AI (XAI) and privacy-preserving techniques, such as Federated Learning, is
crucial for regulatory compliance (e.g., the EU AI Act, GDPR) and audit reliability. Ultimately, the
integration of AI and RPA transforms the accounting profession, shifting the human role from
manual data entry to the strategic oversight of algorithms. This technological convergence
paves the way for fully autonomous financial systems, Agentic AI, and blockchain-based triple
entry accounting, ensuring maximum transparency and operational resilience. | el |
| dc.subject.keyword | Τεχνητή νοημοσύνη | el |
| dc.subject.keyword | Ρομποτική αυτοματοποίηση διαδικασιών | el |
| dc.subject.keyword | Τήρηση βιβλίων | el |
| dc.subject.keyword | Συνεχής έλεγχος | el |
| dc.subject.keyword | Επεξηγήσιμη τεχνητή νοημοσύνη | el |
| dc.subject.keyword | Συστήματα ERP | el |
| dc.subject.keyword | OCR | el |
| dc.subject.keyword | Artificial Intelligence | el |
| dc.subject.keyword | Robotic process automation | el |
| dc.subject.keyword | Bookkeeping | el |
| dc.subject.keyword | Continuous auditing | el |
| dc.subject.keyword | Explainable AI | el |
| dc.subject.keyword | ERP systems | el |
| dc.date.defense | 2026-04-30 | |
